Python批量导出word文档中的图片、嵌入式文件

2022-06-18 19:01:37 阅读：178 来源： 互联网

标签：文件 word rel Python 导出嵌入式 file oletools output

学生试卷中的题目有要提交截图的，也有要提交文件的，为了方便学生考试，允许单独交或者嵌入Word中提交，那么事后如何整理学生的答案？单独提交的比较方便，直接扫描文件名匹配名字后放入指定文件夹即可。但是嵌入到Word中的图片和文件怎么提取出来呢？

现有如下需求：提取出一个Word文档中所有的图片（png、jpg）和嵌入的文件（任意格式）放入到指定的文件夹。

解决

docx是一个压缩包，解压缩后图片一般都放在文档名.docx\word\media\目录下：

而嵌入式文件一般都放在文档名.docx\word\embeddings\目录下：

经过询问度娘，发现提取图片比较简单，直接使用docx库中的Document.part.rels{k:v.target_ref}找到文件的相对路径，用Document.part.rels{k:v.target_part.blob}读出文件内容。简单判断一下路径和文件后缀是不是我们需要的media下的png文件和embeddings下的bin文件，是的话写入到新文件中即可：

提取图片

安装python-docx库

pip install python-docx

提取

import os

from docx import Document  # pip install python-docx

is_debug = True

if __name__ == '__main__':
    # 需要导出的Word文档路径
    # Python学习交流群 279199867
    target_file = r'paper\HBase试题.docx'
    # 导出文件所在目录
    output_dir = r'paper\output'

    # 加载Word文档
    doc = Document(target_file)
    # 遍历Word包中的所有文件
    dict_rel = doc.part.rels
    # r_id：文件身份码，rel：文件对象 
    for r_id, rel in dict_rel.items():
        if not ( # 如果文件不是在media或者embeddings中的，直接跳过
                str(rel.target_ref).startswith('media')
                or str(rel.target_ref).startswith('embeddings')
        ):
            continue
        
        # 如果文件不是我们想要的后缀，也直接跳过
        file_suffix = str(rel.target_ref).split('.')[-1:][0]
        if file_suffix.lower() not in ['png', 'jpg', 'bin']:
            continue

        # 如果输出目录不存在，创建
        if not os.path.exists(output_dir):
            os.makedirs(output_dir)
        
        # 构建导出文件的名字和路径
        file_name = r_id + '_' + str(rel.target_ref).replace('/', '_')
        file_path = os.path.join(output_dir,file_name)
        
        # 将二进制数据写入到新位置的文件中
        with open(file_path, "wb") as f:
            f.write(rel.target_part.blob)
        
        # 打印结果
        if is_debug:
            print('导出文件成功：', file_name)

运行结果：

可以看到，图片都能正常导出，但是学生嵌入的JAVA文件并没有导出，或者说导出的是bin文件，没有完全导出。

提取嵌入式文件

再次询问度娘发现，这种其实也是zip压缩包，但是不能直接提取出，它有个更专业的名字，叫ole文件，我们之前的doc、xls、ppt等没有带x的上古文档文件都是这种格式。那如何提取出文件呢？度娘告诉我有个叫oletools的项目可以，于是下载下来浅浅地分析了下，发现确实可以！

oletools项目地址：https://github.com/decalage2/oletools

或者gitee上别人转存的地址：https://gitee.com/yunqimg/oletools

我是用的gitee上的版本，因为github打不开 QwQ

经相关文档介绍，项目下的oletools-master\oletools\oleobj.py就可以提取这种bin后缀的ole文件，简单试一下，在oleobj.py所在目录下打开命令行，把刚刚提取出的rId12_embeddings_oleObject1.bin文件复制到oleobj.py所在目录，执行如下命令：

注意：在此之前我执行了一下安装oletools的命令，如果不安装可能会出错：pip install oletools，或者说oleobj.py依赖olefile：pip install olefile，在安装oletools时顺便安装了olefile。

python oleobj.py rId12_embeddings_oleObject1.bin

成功导出

Microsoft Windows [版本 10.0.22000.708]
(c) Microsoft Corporation。保留所有权利。

D:\Minuy\Downloads\oletools-master\oletools-master\oletools>python oleobj.py rId12_embeddings_oleObject1.bin
oleobj 0.56 - http://decalage.info/oletools
THIS IS WORK IN PROGRESS - Check updates regularly!
Please report any issue at https://github.com/decalage2/oletools/issues

-------------------------------------------------------------------------------
File: 'rId12_embeddings_oleObject1.bin'
extract file embedded in OLE object from stream '\x01Ole10Native':
Parsing OLE Package
Filename = "Boos.java"
Source path = "D:\111\´ó20´óÊý¾Ý Àî¾üÁé\Boos.java"
Temp path = "C:\Users\ADMINI~1\AppData\Local\Temp\Boos.java"
saving to file rId12_embeddings_oleObject1.bin_Boos.java

D:\Minuy\Downloads\oletools-master\oletools-master\oletools>

导出的文件也能正常访问：

于是把oletools目录复制到工程项目下，稍微修改一下oleobj.py能让我的代码调用它，在oleobj.py中添加如下代码：

def export_main(ole_files, output_dir, log_leve=DEFAULT_LOG_LEVEL):
    ensure_stdout_handles_unicode()

    logging.basicConfig(level=LOG_LEVELS[log_leve], stream=sys.stdout,
                        format='%(levelname)-8s %(message)s')
    # 启用日志模块
    log.setLevel(logging.NOTSET)

    any_err_stream = False
    any_err_dumping = False
    any_did_dump = False

    for container, filename, data \
            in xglob.iter_files(ole_files,
                                recursive=False,
                                zip_password=None,
                                zip_fname='*'):

        if container and filename.endswith('/'):
            continue
        
        # 输出文件夹
        err_stream, err_dumping, did_dump = \
            process_file(filename, data, output_dir)

        any_err_stream |= err_stream
        any_err_dumping |= err_dumping
        any_did_dump |= did_dump

    return_val = RETURN_NO_DUMP
    if any_did_dump:
        return_val += RETURN_DID_DUMP
    if any_err_stream:
        return_val += RETURN_ERR_STREAM
    if any_err_dumping:
        return_val += RETURN_ERR_DUMP
    return return_val


def export_ole_file(ole_files, output_dir, debug=False):
    debug_leve = 'critical'
    if debug:
        debug_leve = 'info'
        
    # 导出
    result = export_main(
        ole_files,
        output_dir,
        debug_leve
    )

    if result and debug:
        print('导出ole文件出错', ole_files)

在提取文件的代码后面加上如下调用：

if str(rel.target_ref).startswith('embeddings'):
  # 解压嵌入式文件
  export_ole_file([file_path], output_dir)

再次运行

成功导出嵌入到Word中的文件！

成功解决问题~

标签：文件,word,rel,Python,导出,嵌入式,file,oletools,output
来源： https://www.cnblogs.com/hahaa/p/16388592.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

Python批量导出word文档中的图片、嵌入式文件